Redes neuronales convolucionales recurrentes para modelar dinámicas no adiabáticas de sistemas cuántico-clásicos

Área de la Ciencia:

• La física computacional es la física computacional.
• La mecánica cuántica es la mecánica cuántica.
• El aprendizaje automático es el aprendizaje automático.

Sus antecedentes:

• Las redes neuronales recurrentes (RNNs) se destacan en el modelado de dependencias temporales en los datos.
• Los sistemas híbridos cuántico-clásicos implican dinámicas clásicas y cuánticas acopladas.
• El modelado de estos sistemas es crucial para comprender fenómenos físicos complejos.

Objetivo del estudio:

• Introducir un nuevo modelo RNN para simular la dinámica no lineal no adiabática de sistemas híbridos cuántico-clásicos.
• Para aplicar el modelo al modelo holsteiniano semiclásico unidimensional.
• Para evaluar su rendimiento en diferentes condiciones de apagado.

Principales métodos:

• Desarrolló una arquitectura de red neuronal de convolución recurrente consciente de la física (PARC).
• Incorporó un diferenciador-integrador para modelar la dinámica espacio-temporal.
• Utilizó redes neuronales convolucionales (CNN) dentro del marco RNN.

Principales resultados:

• El modelo PARC-CNN capturó con precisión la dinámica determinista para los apagados de poca profundidad en el modelo Holstein.
• Las extinciones profundas indujeron una evolución caótica, planteando desafíos para la predicción a largo plazo.
• La arquitectura aprendió efectivamente el clima estadístico del sistema bajo condiciones de apagado profundo.

Conclusiones:

• El PARC-CNN es una poderosa herramienta para modelar complejas dinámicas cuántico-clásicas.
• Demuestra adaptabilidad tanto a regímenes deterministas como caóticos.
• Este enfoque avanza en la aplicación del aprendizaje automático en la simulación de sistemas físicos.